生物信息学是一个交叉学科，结合了生物学、计算机科学和信息技术，用于处理和分析生物数据，特别是大规模的组学数据。

这里给大家推荐一下一本关于生物信息学（Bioinformatics）的专著，专注于组学（Omics）技术及其数据分析，标题也是朴实无华哦：《Bioinformatics for Omics Data》，另外就是非常值得强调的是书籍居然是2011年的！

以下是对书籍内容的整理和介绍：

第一部分：组学生物信息学基础

1. 组学技术、数据和生物信息学原理 - 介绍组学技术的基础知识和生物信息学的核心原理。
2. 组学数据的数据标准 - 讨论数据标准在数据共享和重用中的重要性。
3. 组学数据管理和注释 - 描述如何管理和注释组学数据。
4. 跨组学研究项目中的数据和知识管理 - 探讨跨学科研究项目中数据管理的策略。
5. 组学数据的统计分析原理 - 介绍适用于组学数据的统计分析基础。
6. 连接组学数据级别的统计方法和模型 - 讨论如何通过统计方法整合不同级别的组学数据。
7. 时间序列组学数据集的分析 - 分析时间序列数据集以揭示生物过程。
8. -Omes的使用和滥用 - 讨论“-Omes”术语的使用，如基因组学、蛋白质组学等。

第二部分：组学数据和分析轨迹

1. 高通量测序数据的计算分析 - 介绍高通量测序技术及其数据分析方法。
2. 病例对照研究中单核苷酸多态性的分析 - 研究遗传变异与疾病之间的关系。
3. 拷贝数变异数据的生物信息学 - 探讨拷贝数变异的检测和分析。
4. 从扫描仪到浏览器的ChIP-Chip数据处理 - 描述ChIP-Chip实验的数据流程。
5. 基因表达分析揭示全局机制和疾病 - 利用基因表达数据来理解生物学机制和疾病。
6. RNomics的生物信息学 - 研究RNA层面的生物信息学，包括非编码RNA。
7. 定性和定量蛋白质组学的生物信息学 - 探讨蛋白质组学数据分析。
8. 基于质谱的代谢组学的生物信息学 - 描述代谢物的鉴定和定量。

第三部分：应用组学生物信息学

1. 组学数据解释的计算分析工作流程 - 介绍组学数据分析的工作流程。
2. 组学数据的整合、仓储和分析策略 - 讨论如何整合和分析大规模组学数据。
3. 信号通路、互作组重建和功能分析的组学数据整合 - 整合不同组学数据以研究信号通路和功能。
4. 来自时间依赖组学数据的网络推断 - 从时间序列数据推断生物网络。
5. 组学与文献挖掘 - 结合组学数据和文献信息来提取生物学知识。
6. 临床数据背景下的组学-生物信息学 - 讨论组学数据在临床医学中的应用。
7. 基于组学的病理生理过程识别 - 利用组学数据来识别疾病相关的生物学过程。
8. 基于组学的生物标记物发现的数据挖掘方法 - 应用数据挖掘技术来发现生物标记物。
9. 癌症靶标识别的集成生物信息学分析 - 集成分析用于癌症治疗靶标的发现。
10. 基于组学的分子靶标和生物标记物识别 - 识别新的药物靶标和生物标记物。

这本书籍为读者提供了从基础理论到高级应用的全面介绍，涵盖了组学数据分析的多个方面，适合生物信息学、系统生物学和相关领域的研究人员和学生阅读。

组学技术其实已经更新换代

上面的书籍其实是2011的了，那个时候我都还没有开始学习生物信息学。等我掌握了这些ngs技术的时候，我在生信技能树自媒体矩阵整理和分享了自己擅长的几乎全部的ngs组学数据处理，有文字版内容，以及视频在b站。

因为个人时间精力问题，我自己的b站课程仅仅是ngs多组学以及单细胞技术的教程。而且很多都是五六年前的了，比如下面这些：

• 免费视频课程《RNA-seq数据分析》
• 免费视频课程《WES数据分析》
• 免费视频课程《ChIP-seq数据分析》
• 免费视频课程《ATAC-seq数据分析》
• 免费视频课程《TCGA数据库分析实战》
• 免费视频课程《甲基化芯片数据分析》
• 免费视频课程《影像组学教学》
• 免费视频课程《LncRNA-seq数据》
• 免费视频课程《GEO数据挖掘》

现如今到2024，组学又更进一步了，比如：《Multi-scale signaling and tumor evolution in high- grade gliomas》，如下所示的 (B) Features quantified on 14 data platforms (excluding single-nuclei sequencing and multiplex imaging).

而且文章里面的数据也是公开可以获取的，分门别类整理好了 ：

1. Genomic Data Commons (GDC): CPTAC WES, WGS, DNA-methylation

   • 内容: 该链接指向国家癌症研究所（NCI）的基因组数据共享（GDC）项目，特别是针对临床蛋白质组学技术评估（CPTAC）计划的数据。这里包含了全外显子测序（WES）、全基因组测序（WGS）和DNA甲基化数据。
   • 目的: 这些数据用于研究癌症基因组的变异、基因表达调控以及疾病相关基因的甲基化状态。

2. Proteomic Data Commons (PDC): CPTAC proteome, phosphoproteome, acetylome, glycoproteome, metabolome, and lipidome data

   • 内容: 蛋白质组数据共享（PDC）项目包含了CPTAC计划中的蛋白质组、磷酸化蛋白质组、乙酰化蛋白质组、糖蛋白质组、代谢组和脂质组数据。
   • 目的: 这些数据有助于理解蛋白质表达、翻译后修饰、代谢途径以及细胞信号传导在癌症中的作用。

3. Cancer Data Service (CDS): CPTAC multiome snATAC seq data

   • 内容: 癌症数据服务（CDS）提供了CPTAC计划中的多组学，以及单细胞水平的ATAC测序数据。
   • 目的: 这些数据用于研究染色质可及性、转录因子结合位点以及基因调控网络。

4. The Cancer Imaging Archive (TCIA): CODEX and histopathology images

   • 内容: 癌症影像档案库（TCIA）包含了癌症相关的医学影像数据，如CODEX（癌症数字切片档案库）和组织病理学图像。
   • 目的: 这些图像数据用于癌症的影像学研究、计算机辅助诊断和病理学分析。

这些数据链接提供了丰富的生物医学信息资源，对癌症生物学、精准医疗和转化研究具有重要价值。研究人员可以利用这些数据进行多维度的分析，以发现新的生物标记物、理解疾病机制和开发新的治疗方法。需要注意的是，访问和使用这些数据可能需要遵循特定的数据使用协议和隐私保护规定。

为了处理这些数据，涉及到的软件工具已经是高达几十个，一般来说只有比较大的课题组才能有足够数量的生信工程师能hold住这样的规模的复杂的数据：

其实很简单，我作为作为生信新媒体圈子华语区第一人，有自己的生态位，注定了我不可能说去做一些短平快的生信套路课程或者文章生意。首先呢不符合我的人设，我的理想是带领三五百万生命科学领域从业者都开始数据分析，其次我还不至于沦落到需要做这样的“灰色”生意的地步，毕竟是我已经开创了共享服务器这个赛道，而且在生物信息学人才培养领域做到了第一而且几乎是唯一。

数据挖掘的核心是缩小目标基因

众所周知，生信套路就是各种各样的公共数据集的数据挖掘，他们的核心是缩小目标基因，因此就引入了海量的生物信息学套路，传统的有免疫，代谢，衰老，现在有昼夜节律，线粒体，细胞焦亡，乳酸化等等。
一般来说，无论是表达量芯片还是转录组测序后，拿到的表达量矩阵通常是2万多个蛋白编码基因，只要是分组合理无论是采用何种算法的差异分析，最后都还有成百上千个目标基因。如果是临床队列，通常是会跟生存分析进行交集，或者多个数据集差异结果的交集，比如：多个数据集整合神器-RobustRankAggreg包 ，这样的基因集就是100个以内的数量了，但是仍然有缩小的空间，比如lasso等统计学算法，最后搞成10个左右的基因组成signature即可顺利发表。其实还有另外一个策略方向，有点类似于人工选择啦，通常是可以往热点靠，比如肿瘤免疫，相当于你不需要全部的两万多个基因的表达量矩阵进行后续分析，仅仅是拿着几千个免疫相关基因的表达矩阵即可。最近比较热门的有：自噬基因，铁死亡，EMT基因，核受体基因家族，代谢基因。还有一个最搞笑的是m6a基因的策略，完全是无厘头的基因集搞小，纯粹是为了搞小而搞小。

生信圈子每个人或者组织都有自己的生态位

学术界，之前有TCGA计划，GTEX联盟，ENCODE组织等等，最近有SOMA项目，BICCN联盟，他们是大资金投入方，同时也是生物信息学的全球圣地，他们是不可能说浪费时间精力在生信套路项目，因为隔三差五就有海量的CNS文章出来。。。

空组学和医学图谱（Space Omics and Medicine Atlas, SOMA）的系列研究成果

这个SOMA项目，太空组学和医学图谱（Space Omics and Medicine Atlas, SOMA）的系列研究成果，以专刊形式在顶级学术期刊《Nature》及其子刊上发表，共计44篇重量级文章。这一项目由全球超过25个国家地区的100多个机构携手完成，SOMA项目是迄今为止规模最大的太空相关数据集，它不仅涵盖了基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学和微生物组学等多维度的分子和生理图谱，还深入揭示了宇航员在太空任务中所经历的一系列生物学变化。树立了多个里程碑，包括：

• 将源自太空的下一代测序（NGS）数据量增加了10倍以上；
• 太空中单细胞数据的数量增加了4倍；
• 推出了首个太空医学生物库（CAMbank）；
• 获得了首批直接来自宇航员的RNA测序数据；
• 在单次太空任务中处理了数量最多的生物样本（2911个）；
• 首次获得宇航员的空间分辨转录组数据。
  

  脑细胞普查网络联盟（Brain Research through Advancing Innovative Neurotechnologies Initiative - Cell Census Network，BICCN）

• 2021年10月，《自然》杂志曾一次性上线16篇研究论文，报告了BICCN项目的阶段性研究成果：在分子水平上全面绘制哺乳动物初级运动皮层细胞类型的特征。
• 2023年10月，BICCN联盟在《Science》及其子刊上发布了11篇研究论文，这些成果不仅在数量上前所未有，更在深度和广度上为理解大脑的细胞组成和功能提供了新的视角。研究涵盖了不同动物模型和发育中的人脑，从转录水平、表观遗传学以及细胞功能等多个维度进行了深入探讨。
• 2023年10月，《科学》杂志特别推出了“脑细胞普查”专题，共21篇研究论文同时在《科学》、《科学-进展》和《科学-转化医学》上线。这些论文分享了迄今为止最全面的人类和非人灵长类动物大脑细胞图谱，为神经科学研究提供了宝贵的资源。
  

  生物信息学领域，TCGA、GTEX和ENCODE是三个非常重要的项目和组织

1. TCGA (The Cancer Genome Atlas):
   • 癌症基因组图谱计划。这是一个由美国国家癌症研究所 (National Cancer Institute, NCI) 和美国国家人类基因组研究所 (National Human Genome Research Institute, NHGRI) 联合资助的大型项目。该项目的目标是通过应用高通量的基因组分析技术，对多种类型的癌症进行全面的基因组特征研究，以发现癌症的分子亚型、生物标志物和潜在治疗靶点。
2. GTEX (Genotype-Tissue Expression):
   • 基因型-组织表达项目。这是一个旨在研究人类基因表达与基因型之间关系的项目。GTEX项目收集了大量的基因表达数据和基因型数据，涵盖了多个组织和器官，为研究基因表达的遗传调控提供了宝贵的资源。
3. ENCODE (Encyclopedia of DNA Elements):
   • 基因组DNA元素百科全书项目。这是一个国际性的合作研究项目，旨在识别和注释人类基因组中的所有功能元件，包括基因、调控区域和其他非编码RNA。ENCODE项目通过多种高通量实验技术，揭示了基因组中调控基因表达的复杂网络。
     

     泛癌层面的数据挖掘文章

     如果是整理了多个癌症的多个单细胞转录组数据集，就是泛癌研究，聚焦到某个单细胞亚群，这样的汇总的文章张泽民课题组发了很多cns文章，包括髓系免疫细胞，t细胞以及nk细胞；

• 2021年2月发表在CELL的《A pan-cancer single-cell transcriptional atlas of tumor infiltrating myeloid cells》
• 2021年12月发表在science的《Pan-cancer single cell landscape of tumor-infiltrating T cells》
• 2023年9月发表在CELL的《A pan-cancer single-cell panorama of human natural killer cells》
• 2024年8月发表在CELL的《Pan-cancer single-cell dissection reveals phenotypically distinct B cell subtypes》
• 普通的文章，泛癌层面的内皮细胞亚群，标题是：《 Pan-cancer integrative analyses dissect the remodeling of endothelial cells in human cancers 》
  复旦大学樊嘉课题组也有类似的cns文章：
• 2024年3月的《Cell》期刊《Neutrophil profiling illuminates anti-tumor antigen-presenting potency》
• 2024年5月的《Science》期刊《 A blueprint for tumor-infiltrating B cells across human cancers 》
  

  道理往往是相通的

  美国的Broad研究所（Broad Institute）和欧洲生物信息学研究所（European Bioinformatics Institute, EBI） 是生物信息学领域内两个极具影响力和声望的研究机构：

1. Broad研究所：
   • Broad研究所位于美国马萨诸塞州剑桥市，与哈佛大学和麻省理工学院（MIT）有着紧密的合作关系。它是一个大型的多学科研究机构，致力于通过基因组学和生物信息学来理解生物学的基本原理，并将其应用于医学和疾病治疗。
   • Broad研究所在基因组测序、癌症基因组学、干细胞生物学、神经科学等领域取得了许多突破性成果。它是1000 Genomes Project、Human Genome Project等重大国际项目的积极参与者和领导者之一。
2. 欧洲生物信息学研究所（EBI）：
   • EBI位于英国剑桥附近的Hinxton，是欧洲分子生物学实验室（European Molecular Biology Laboratory, EMBL）的一部分。EBI是一个世界领先的生物信息学服务中心，提供大量的生物信息学资源和工具。
   • EBI在生物信息学、系统生物学、基因组学和蛋白质组学等领域进行研究，并且提供公共数据库，如EMBL-EBI数据库，这些数据库包含了大量的生物分子数据，供全球科研人员使用。
     这两个研究所都在生物信息学领域做出了巨大贡献，它们提供的资源、工具和研究成果对于全球的科研人员来说都是极其宝贵的。他们的科学家不会去做生信套路！
     张泽民课题组和复旦大学樊嘉课题组也不需要卖生信套路，我也不需要！附上朋友圈的一个关于互联网受众吐槽吧：
     
     其实道理往往是相通的，大家将心比心，我作为作为生信新媒体圈子华语区第一人会承担什么样的压力和骂名呢？

• 我勤勤恳恳的坚持了十多年生物信息学笔记写作，有人一定要说我的github和外网教程的搬运工。
• 我的理想是带领三五百万生命科学领域从业者都开始数据分析，有人就说是我把国内的生物信息学带歪的，生信套路的风气是我造成的？

早些日子我在《生信技能树》发布了 我应该不需要你来教我如何赚钱 的吐槽小短文，那个时候微信通讯录其实限制的是5000好友数量，时至今日这个上限提高到了1万人， 但是我的微信仍然是满员了。非常尴尬，所以我前些天又删除了三千多人，算起来是可以再撑个两三年啦。
当时还提到了很多“年轻的”粉丝对我居然靠卖微信好友或者拍卖午餐这样的方式挣钱表示不能理解，见：圣诞节元旦节有十几天假期可以接收礼品以及预约午餐 ，就是因为太年轻，所以他们对我的“江湖地位”不是很了解，华语圈生物信息学自媒体第一人，这个金字招牌应该基本上永久属于我了，是时代的产物，而人不可能说逆转一个已经过去式的时代。
虽然如此，这里我有必要解释一下，我确实并不是在靠卖微信好友位来挣钱，虽然说本来就是稀缺的产物可以产生价值，微信这个软件既然设置了1万人的好友数量上限，就必然产生商品。可能在你看来添加我微信好友需要500就是收费就是商业就是挣钱，实际上我只是设置一个门槛，反正绝大部分有意添加我微信的都是粉丝。而我的粉丝都是硕博士在读学生，博士后或者青年科研工作者，干实事的人，没必要像五月天或者周杰伦那样的粉丝还需要倒买倒卖黄牛票，花大几千甚至上万块去抢一下靠前的座位。
我的微信已经是第6次满5000人了，是微信不允许我继续被添加，我也无能为力啊。同样的陌生人要添加我，我并没有更好的办法去筛选或者过滤，总不能说让所有的粉丝提前发邮件给我他的简历，我面试过后再添加微信好友？麻烦你站在我的角度思考一下看看，数十万粉丝都迫切的想认识你，但是你只能选择5000人，你有什么更好的选择方法呢？

本来呢添加我好友需要收费这件事无需解释

我提到过，我们生信技能树的《生信技能树联盟新媒体矩阵业务》：

• 单细胞天地公众号是头条2000，生信菜鸟团公众号是5000，生信技能树公众号是10000
• 次页宣传的价格是在头条基础上3折
• 第一次合作的公众号宣传业务是8折优惠，一次性买断5次宣传也是8折优惠！
  然后也列出来了几个私人业务：
• 添加jimmy微信，收费500
• 预约jimmy午餐晚餐，收费2000
• 科研数据处理关键问题咨询，电话沟通30块钱一分钟，发邮件沟通详细描述自己的疑问所在，邮件发送到 jmzeng1314@163.com
  其它业务都是常规的自媒体报价，全凭自愿即可。但是很多人无法理解为什么添加我微信来认识我一下，居然还需要收费！其实这个其实没有什么好解释的啊，你觉得不值，就不要付费来添加我好友即可！

  免责条款

  而且就算是你花500块钱添加我微信好友了，我也确实不承诺提供任何服务，我最讨厌服务这两个字了。交个朋友而已，缘来缘去，我凭什么服务你呢？

  如果有服务的付费产品你用不上

  大家都知道我们《生信技能树》团队有一个马拉松授课，是手把手的在线互动授课，而且全方位的答疑服务，如下所示：

• 生物信息学马拉松授课（买一得五） ，你的生物信息学入门课
• 2024的共享服务器交个朋友福利价仍然是800，生信人人手一个账号！
  但是对绝大部分人来说，有服务的付费产品你用不上，有一些是比较自负，觉得太基础的手把手教学用不上，往往是忽略了“基础不牢，地动山摇”的血的教训。而且大概率上也很难去把我们的产品宣传到需要帮助的人，因为并不是每个人都乐于助人，甚至可以说独行侠才是沉默的大多数。

  其实也可以免费加我微信

  作为一个过气的华语圈生物信息学自媒体第一人，我早就没有了添加我微信好友收费500的勇气，但是瘦死的骆驼比马大啊，如果你随随便便扫描就添加我微信，但是没有任何自我介绍，就想躲在我朋友圈看看动态？完全没有任何的社交礼仪了。。。。
  最好是发一下个人简历或者简短的自我介绍啊，让我对你有一个基本的印象吧，我得知道你的学历情况和科研背景，这样的话如果有好的就业机会，我也可以及时的转发给你。

  我们确实有交流群，但是随缘进群（错过了就错过了）

  如果你添加我微信是为了进什么交流群，就略微有点膈应人了，我们的交流群没有100个也有80了，我作为创始人怎么可能把每个群都记住而且还及时的安排你进群呢？这些小事当然是我的秘书做啊，你错过了进群通知就代表你缘分不够。而且也不要指望群里可以做到实时答疑，任何事情都有代价和成本，你所享受到的福利到底是谁在买单呢？
  而且现在有了chatGPT这样的对话式大语言模型，绝大部分交流群里面的问题都是可以去跟chatGPT先沟通一下，在海外可以试试看openAI的服务，在中国大陆就可以试试看kimi，反正我亲测好用啊。。。。

• jimmy老师您好，我按照您发在B站上的【生信技能树】Chip-seq测序数据分析走到了得到fastq格式测序数据这一节，但是我这边用fastq-dump解压缩sra文件会报错，cat nohup.out显示的是unrecognized option: ‘—split-3’，请问我要怎么办呢？
• 曾老师您好，我正在做关于融合基因分析，查了相关资料看到老师您分享的资料star-fusion是分析融合基因最好的资料，但是还是不能具体操作，老师您有相关的视频吗？
• 当将TCGA的数据集随机划分时，当设置的随机种子不同，得到的模型会产生不同，并且在测试集上面的效果也会有不同。主要问题是我目前发现这个不同还挺大，我看了一些文献，他们都是随机的去划分，也没有进行重复，所以这里冒昧来问一下老师，就TCGA中数据集划分这个问题有没有什么看法？
• 大神，我想学挖掘GEO数据的ceRNA的生信分析，没有找到相关视频，求问有没有推荐？
• 您好！请问可以教一下从UCSC Xena下载的gene expression RNAseq 数据怎么做差异表达分析吗？
• 老师让我根据一篇文献的思路做一下肾透明细胞癌的，但是因为文献中只给出了结果，没有过程，特别是有一些代码之类的，我是学生物信息学的，但是确实是学的不好，可以请您帮一下忙吗？帮忙分析一下这篇文章。
• jimmy老师您好，非常喜欢您的GEO数据挖掘的相关课程，请问您讲课时用到的代码如何获得？
• 我看了您在优酷发的百款常用生物信息学分析工具视频讲解，但是那个不清晰，可否分享一份链接学习一下呢，我是用来学习的，不是索取后买卖，如果可以的话，那就太感谢了
• 我想查找一个lncRNA在肝癌和癌旁细胞群里的表达量，或者在肝癌中的浸润性T细胞中的表达量，因为我的pcr结果显示这个lncRNA在正常肝组织的表达量是远远高于癌组织的，应该是个抑癌基因，但是在细胞系中过表达却没有明显的抑癌效果，所以我想看看它是否存在于一群特殊的细胞群中，而这群细胞在癌症组织中是很少的？ 我尝试在SCPortalen和scRNASeqDB搜索这个lncRNA,但查询不到，这是否意味着需要下载GEO数据，手动查看一下表达量？如果是这样，具体步骤能给大概说一下吗？

看到了一个新闻：贵州茅台改善酒精性肝纤维化的文章被撤回。
我才注意到居然有这样的研究：2020年6月15日，Food Science & Nutrition 在线发表题为“Kweichow Moutai ameliorates alcohol-induced liver fibrosis in mice by targeting the NFκB pathway”的研究论文，该研究表明茅台可诱导肝星状细胞(HSC)凋亡，抑制胶原沉积，减轻肝纤维化。我简单的看了看文献的pdf，都是一些实验结果，最简单的测序都没有，我看都懒得看，就让人工智能大模型帮我简单的读了一下：
这篇论文的实验设计主要包括了动物实验和体外实验，以探讨贵州茅台酒（Moutai）对酒精性肝纤维化的潜在保护效果。以下是论文中提到的一些关键生命科学实验，这些实验说明了贵州茅台如何改善酒精性肝纤维化：

1. 动物实验:
   • 实验使用了6周大的C57BL/6小鼠（雌性），将它们随机分为三组：对照组、53%乙醇组和茅台组，每组5只。
   • 通过灌胃给药的方式，每天给予5 ml/kg的53%乙醇或相同浓度的茅台酒，持续8周。
   • 对照组的小鼠则给予蒸馏水。
2. 血清生化分析:
   • 测量血清中的丙氨酸转氨酶（ALT）和天门冬氨酸转氨酶（AST）水平，以及肝脏中的丙二醛（MDA）水平和超氧化物歧化酶（SOD）活性。
3. 肝脏组织病理学检查:
   • 使用H&E染色和油红O染色评估肝脏脂质积累。
   • 使用Sirius红染色评估肝纤维化程度。
4. 肝星状细胞（HSC）凋亡分析:
   • 通过流式细胞仪检测HSC的凋亡率。
   • 使用Hoechst 33528荧光染色试剂盒评估DNA片段化和细胞核形态变化。
5. 西方印迹（Western blot）分析:
   • 检测小鼠肝脏样本中与凋亡相关的蛋白（如Bax和Bcl-2）的表达。
6. 细胞收缩实验:
   • 评估HSC在胶原凝胶上的收缩能力，检测茅台酒对HSC收缩的影响。
7. HSC形态观察:
   • 使用扫描电子显微镜观察HSC的形态变化。
8. 免疫组化（IHC）和免疫荧光实验:
   • 检测肝脏样本中α-SMA、胶原蛋白1（Col1A1）、CD68、纤维连接蛋白（fibronectin）、p-Smad2和TGF-β1等与肝纤维化相关的标记物的表达。
9. NFκB信号通路分析:
   • 检测NFκB在细胞核和细胞质中的表达，以及IκB的磷酸化水平，探讨茅台酒对NFκB信号通路的影响。
10. 脂质代谢异常分析:
    • 检测与脂质代谢相关的基因表达，如mTORC1、PPARα、S6K1、Lipin1和SREBP-1。
      这些实验结果表明，茅台酒通过以下机制改善酒精性肝纤维化：

• 诱导HSC凋亡，减少胶原蛋白沉积，减轻肝纤维化。
• 抑制Kupffer细胞和HSC的激活，通过抑制NFκB的核内转移和阻止促炎细胞因子的表达。
• 尽管茅台酒减轻了Kupffer细胞和HSC的激活，但它仍然在小鼠肝脏中引起脂质代谢异常。
  值得注意的是，这篇论文后来被撤稿，因此在引用或依赖其结果时应谨慎。

  如果有测序数据

  比如上面的大鼠随机分为三组：对照组、53%乙醇组和茅台组，每组5只，都有最简单的转录组测序表达量矩阵吧，就可以重新分析检验作者的实验质量。而且有很多公开数据也是酒精对肝的影响，可以跟这个茅台研究做交集，证明确实是有这样的实验。
  比如昨天的热图到底是横向基因层面归一化还是依据纵向的样品呢？ ，我们就可以通过大数据手段判断作者是否是真的拿巨噬细胞和树突细胞进行了实验，而且确保作者并没有弄反！
  再比如有一些实验设计是敲除了某个基因的某个外显子，那么如果有转录组测序的原始数据，我们就可以对比到参考基因组拿到bam格式的文件后载入到igv软件里面去查看目标基因，是可以清晰的看到如下所示：
  

  有测序数据但不公开

  比如2023的文章：《Type III interferon inhibits bladder cancer progression by reprogramming macrophage-mediated phagocytosis and orchestrating effective immune responses》，作者在癌症小鼠模型（subcutaneous MB49 bladder cancer mouse model）里面过表达了Ifnl3基因然后看它对整体的转录组水平表达量的影响，如下所示可以分析统计学显著的上下调差异基因以及被干扰的通路情况：
  
  虽然说作者并没有直接公开表达量矩阵，但是可以看到处理组是过表达了Ifnl3基因，所以这个基因确实是在热图里面显示表达量升高的，而且是可以去跟tcga等数据库做交叉对比。

  为什么有一些人选择不公开呢

  同样的，我让人工智能大模型帮我总结一下：
  转录组测序文章可能不会公开表达量矩阵或测序数据的原因有多种，以下是一些常见的考虑因素：

1. 数据大小和复杂性：转录组测序数据通常量很大，包含大量的原始数据和衍生的分析结果。存储和传输这些数据可能需要显著的计算资源和时间。
2. 数据隐私和伦理问题：如果数据涉及到人类样本，可能包含敏感信息。根据伦理审查委员会的要求，研究者需要保护参与者的隐私，避免泄露个人身份信息。
3. 数据标准化和质量控制：公开之前，数据需要经过严格的质量控制和标准化处理。如果数据未达到社区标准或存在质量问题，研究者可能会选择不公开。
4. 知识产权和商业利益：在某些情况下，研究结果可能具有潜在的商业价值。研究者或其所属机构可能希望通过专利或商业合作来保护其利益。
5. 技术专有性：如果研究使用了专有技术或平台，可能存在技术保密的协议，限制了数据的公开。
6. 研究进行中：有时研究者可能还在进行进一步的分析或后续研究，因此在适当的时候才会公开数据。
7. 数据共享政策：不同的期刊和资助机构有不同的数据共享政策。一些可能要求在文章发表时或之后不久公开数据，而其他则可能没有这样的要求。
8. 资源限制：研究团队可能缺乏将数据整理到适合公开的格式所需的时间和专业知识。
9. 数据解读难度：复杂的数据集需要专业知识来解读。研究者可能担心数据被误用或误解，特别是在没有足够方法学说明的情况下。
10. 法律和合同限制：与样本提供者或合作方的合同可能包含有关数据共享的限制。
    值得注意的是，随着科学研究的开放性和透明度的提高，越来越多的期刊和资助机构要求研究者在公共数据库存储和共享其数据，以便于其他研究者使用和验证研究成果。

多种场合我都是高举生物信息学数据分析的靠谱的大旗，详见前面的推文：离大谱了，生信转湿实验？。仍然每次跟网友们的讨论的结局都是一地鸡毛，大家总会是把生物信息学数据分析跟常见的临床数据挖掘预后模型那些水文混为一谈。

最简单的一个生物信息学数据分析案例，可以是针对一个表达量矩阵以及里面的样品分组进行差异分析，然后拿到统计学显著的上下调基因列表，因为基因数量很多，所以我们默认会做一些生物学功能数据库注释。这里面的生物信息学算法就差异分析和注释算法， 它本身是非常可靠的！

数据分析有错是基本上不可能的，基本上都是新手才会翻车，比如表达量矩阵的格式，是否取多次log会影响变化倍数这个指标，以及上下调弄反的，而且这些错误很容易检验，不存在实验室和地理位置特异性。抛开这个不谈，但确实是有很多人对这个结果的解读是有误的， 比如几十个到几百个基因进行生物学功能数据库注释后有十几个通路，其中选择那个作为后续分析的指导确实是有主观层面的误差。

真正不靠谱的地方在于表达量矩阵产出这个实验阶段，你完全是没办法想象不同的实验室不同操作人员会引入多少误差。另外一个值得商榷的地方就是人类知识库的残缺，这个是泛生命科学领域的大bug，不能怪我们生物信息学数据分析。

比如前两天我们的马拉松授课交流群就有学员提到了他在复现一个中山大学的昼夜节律相关数据挖掘文章的时候出现了源头的背景知识冲突。文章是：《Circadian rhythm-related genes index: A predictor for HNSCC prognosis, immunotherapy efficacy, and chemosensitivity》，首先是一个简单的TCGA数据库的头颈癌的差异分析（502 HNSCC samples and 44 normal samples from the TCGA- HNSCC dataset），然后拿这个差异分析的上下调基因集合去跟circadian rhythm-related genes (CRRGs) 基因列表进行取交集操作。在文章的附件给出来了这个 SUPPLEMENTARY TABLE 1，是 1424 CRRGs were obtained through Genecards database.

昼夜节律相关基因列表到底是什么

文献里面的昼夜节律相关基因列表获取，方法学是：We obtained Circadian rhythm-associated 1424 genes by Genecards (https://www.genecards.org/) (Supplementary Table 1) ，我们下载该列表后简单的看看；

rm(list = ls()) 
CRGs_gene = rio::import('./Table_1_Circadian rhythm-related genes index A predictor for HNSCC prognosis, immunotherapy efficacy, and chemosensitivity.xlsx')
head(CRGs_gene)
CRGs_gene = unique(CRGs_gene[,1])
save(CRGs_gene,file = 'gene_from_genecards.Rdata')

从Genecards数据库获取昼夜节律相关基因列表，就是一个简单的关键词搜索即可，然后基因会按照搜索关键词的相关性排序，卡一个阈值即可：

> head(CRGs_gene) 
 Gene Symbol Description
1 CLOCK Clock Circadian Regulator
2 PER2 Period Circadian Regulator 2
3 PER3 Period Circadian Regulator 3
4 PER1 Period Circadian Regulator 1
5 CRY1 Cryptochrome Circadian Regulator 1
6 ARNTL Aryl Hydrocarbon Receptor Nuclear Translocator Like
> dim(CRGs_gene)
[1] 1424 7

但是如果大家简单的搜索，就可以看到华中科技大学的一个在线数据库“《Circadian Gene DataBase》”，发表在Nucleic Acids Res. 2017:，CGDB: a database of circadian genes in eukaryotes.，可以很简单的从这个课题组的整理好的数据库里面拿到昼夜节律相关基因列表 ，因为网页里面的人类的昼夜节律相关基因列表是以蛋白质序列方式给出来的，所以需要简单的转换 ：

rm(list = ls()) 
# # download.file(url = 'http://cgdb.biocuckoo.org/download/all/Homo%20sapiens%20(Human).txt',
# # destfile = 'CRGs_gene.txt')
# 
CRGs_gene = readLines('CRGs_gene.txt')
CRGs_gene = CRGs_gene[grepl('>',CRGs_gene)]
CRGs_gene = stringr::str_split(CRGs_gene,'\\|',simplify = T)[,2]
head(CRGs_gene)
tail(CRGs_gene)

ens_crgs = CRGs_gene[grepl('^ENSP',CRGs_gene)]
uniport_crge = CRGs_gene[!CRGs_gene %in% ens_crgs]
ens_crgs = stringr::str_split(ens_crgs,'\\.',simplify = T)[,1]

#gene转换为symbol
library(clusterProfiler)
library(org.Hs.eg.db)
keytypes(org.Hs.eg.db)
ens_crgs2 = bitr(ens_crgs,
 fromType = 'ENSEMBLPROT',
 toType = 'SYMBOL',
 OrgDb = 'org.Hs.eg.db')
# 76.63% of input gene IDs are fail to map...
uniport_crge2 = bitr(uniport_crge,
 fromType = 'UNIPROT',
 toType = 'SYMBOL',
 OrgDb = 'org.Hs.eg.db')
# 14.03% of input gene IDs are fail to map...

CRGs_gene = unique(c(ens_crgs2$SYMBOL,uniport_crge2$SYMBOL))
head(CRGs_gene)
save(CRGs_gene,file = 'gene_from_cgdb.Rdata')

接下来就可以看看这两个来源的昼夜节律相关基因列表的交集如何了：

rm(list = ls()) 
load(file = 'gene_from_genecards.Rdata')
genecards=CRGs_gene
load(file = 'gene_from_cgdb.Rdata')
cgdb=CRGs_gene 
genes<- list(genecards = genecards,
 cgdb = cgdb ) #输入数据需要是
#设定颜色：长度要与list内容长度一致（这里提供备选了几种）
colors<- c("#2874C5", "#f87669", "#e6b707", "#868686", "#92C5DE", "#F4A582", "#66C2A5", "#FC8D62", "#8DA0CB", 
 "#E78AC3", "#A6D854", "#FFD92F", "#E5C494", "#B3B3B3") [1:length(lengths(genes))] 
p = VennDiagram::venn.diagram(x = genes,
 filename = NULL, #不生成文件（还是必写参数，烦）
 fill = colors, #设定颜色(长度要与分组数相等)
 cat.col = colors, cat.cex = 1.5, #标签颜色，字体大小
 col = colors, #边框颜色
 alpha = 0.1 #调整透明度
) 
grid::grid.draw(p)
library(ggplot2)
#转换为ggplot对象
p<- ggplotify::as.ggplot(cowplot::as_grob(p))
p
ggsave(p,file = './Venn.jpg')

int=intersect(genecards,cgdb)
symbols_list = list(
 int=int,
 only_genecards=setdiff(genecards,int),
 only_cgdb=setdiff(cgdb,int)
)
lapply(symbols_list, length)

可以看到，两者之间的交集居然是就各自的十分之一不到：

$int
[1] 166

$only_genecards
[1] 1258

$only_cgdb
[1] 1105

> lapply(symbols_list, head)
$int
[1] "PER2" "PER3" "PER1" "CRY1" "CRY2" "NPAS2"

$only_genecards
[1] "CLOCK" "ARNTL" "TIMELESS" "ARNTL2" "CIPC" "CSNK1D"

$only_cgdb
[1] "ZNF251" "C1orf54" "MGAM" "KIR2DL5B" "KIR2DS1" "H2BC6"

在各个癌症里面的做昼夜节律相关基因相关预后模型的数据挖掘文章非常多，做乳酸化，线粒体，衰老相关基因列表就更多了。如果大家根本就不是从同一个基因列表开始，那凭什么保证这些数据挖掘文章的可靠性和合理性呢？

这些基因简单的kegg数据库 注释：

library(clusterProfiler)
library(org.Hs.eg.db)
library(ReactomePA)
library(ggplot2)
library(stringr) 
# 首先全部的symbol 需要转为 entrezID
gcSample = lapply(symbols_list, function(y){ 
 y=as.character(na.omit(AnnotationDbi::select(org.Hs.eg.db,
 keys = y,
 columns = 'ENTREZID',
 keytype = 'SYMBOL')[,2])
 )
 y
})
gcSample
pro='test'
# 第1个注释是 KEGG 
xx <- compareCluster(gcSample, fun="enrichKEGG",
 organism="hsa", pvalueCutoff=0.3)
dotplot(xx) + theme(axis.text.x=element_text(angle=45,hjust = 1)) + 
 scale_y_discrete(labels=function(x) str_wrap(x, width=50)) 
ggsave(paste0(pro,'_kegg.pdf'),width = 10,height = 8)

也很难下结论，感觉就是不同来源的数据库确实是需要有benchmark了，这个也是大量的生物信息学课题了：

比如大家如果是想在各个癌症里面的做转录因子相关基因相关预后模型的数据挖掘文章，就需要明确人类的两万多个蛋白质编码基因里面到底是哪些基因是转录因子呢？大概有1500到2000个转录因子基因，但是具体是什么，又是有不同来源的数据库了。比如在生信菜鸟团公众号看到了有一个介绍：TCGA数据挖掘常见基因集合，首先是Cancer Manag Res. 2020的文章《Prognostic and Predictive Value of a 15 Transcription Factors (TFs) Panel for Hepatocellular Carcinoma》就提到了：

• The TF list was downloaded from the Human Transcription Factors website (http://humantfs.ccbr.utoronto.ca/.

然后是2021的文章《A Transcription Factor-Based Risk Model for Predicting the Prognosis of Prostate Cancer and Potential Therapeutic Drugs》提到一个出处：

• Atotal of 1665 transcription factors were obtained from the Animal TFDB database。（AnimalTFDB 3.0 ），链接：http://bioinfo.life.hust.edu.cn/AnimalTFDB/#!/

这两个数据库关于转录因子的收录，都是接近于2000个基因。然后是刘小乐的Cistrome数据库，详见：http://cistrome.org/db/#/stat

我下载里面的 human_factor_full_QC.txt 文件，然后统计了一下，在人类这个研究领域，有chip-seq数据的转录因子是1359个，略低于上面的两个网页数据库里面的1600~2000的数量。

还有 RcisTarget包里面的motifAnnotations_hgnc数据，也有自己的转录因子基因合辑。

如果做各个癌症里面的做转录因子相关基因相关预后模型的数据挖掘文章之前压根就没有了解过什么是转录因子，没有读下面的这两个综述文章：

• 首先是2018的CELL文章：《The Human Transcription Factors》
• 然后是2020的NBT文章：《A comprehensive library of human transcription factors for cell fate engineering》

做出来的数据挖掘文章又价值几何呢？

不同算法的一致性呢

数据源头的质量问题，以及人类知识数据库的不完善，都是会影响生物信息学数据分析结果的，但是这些是目前很难完全责怪生物信息学本身，反而是算法的多样性往往是生物信息学被人诟病的一个点了。比如之前我们介绍过irGSEA：基于秩次的单细胞基因集富集分析整合框架，针对17种常见的Functional Class Scoring (FCS)方法进行了benchmark。

单细胞转录组数据分析最基础的就是给每个细胞一个身份，通常是降维聚类分群后然后对每个亚群进行描述，首先可以描述每个亚群的高表达量的特异性基因，然后可以对基因进行生物学功能数据库注释。也可以直接对亚群进行打分，比如gsea和gsva算法，针对免疫或者代谢等基因集进行打分，也是拿到每个亚群的特异性生物学功能。如果选择了不同打分算法，往往是拿到了不同结果，有时候确实是很难解释。

未解之谜很正常

很多人对生物信息学数据处理的另外一个误解是，它应该是有百分百的确定性的的分析结果。其实也不是，比如不同单细胞转录组数据集的降维聚类分群其实都会有 热激蛋白的亚群，细胞增殖亚群，干扰素亚群，金属离子酶亚群，线粒体或者核糖体亚群，或者低质量亚群。。。但是每个数据分析人员在处理这些细胞状态的变化的时候都有自己的人为干预。

当然了，这个其实又是归咎到了人类知识数据库的不完善，本来就暂时还没有定论，关于细胞类型和细胞状态的讨论一直在持续：

• 1.通俗地说，细胞类型是体内执行特定功能的一类细胞。通常细胞类型被认为是相对稳定的，就像皮肤中的细胞不会自发地变成神经元。
• 2.我们现在知道细胞实际上具有很强的可塑性，虽然皮肤细胞自然不会变为神经元，但可以通过特殊处理诱导它们变形为神经元。
• 3.此外细胞确实相对频繁地切换其功能，淋巴结中的T细胞可以“激活”以对抗感染，我们可以称这种瞬态细胞状态为新的“细胞类型”吗？
• 4.最后，还有如何处理患病细胞的问题，不再能够执行神经元功能的神经元仍然是神经元吗？“患病”神经元有自己的细胞类型定义吗？我们用什么标准来确定细胞是否“患病”？

感兴趣的可以仔细品读：https://mbernste.github.io/posts/cell_types_cell_states/

接触过一些各地科研服务公司的ngs产品销售，因为他们是面向各个课题组的一线接触人员，所以经常会遇到有课题组老师询问生物信息学数据处理相关的问题，所以销售小伙伴有职业困惑就是是否该花时间学一学简单的数据处理技能呢，比如使用R语言画个图，清洗一下数据等等。

有意思的是，从来没有专业的生信工程师问过我类似的问题，是否需要学一学产品线的其它环节，比如销售，项目对接，项目管理，售前售后咨询。可能是因为绝大部分工程师都是被很好的保护在了成熟的商业团队里面，这样的话很容易养成一种打工思维，通常指的是一种被动的工作态度，员工仅仅完成分配的任务，而不关心公司的整体发展。这种思维模式可能会限制个人的职业发展，因为它缺乏主动性和创新性。 而且遇到经济下行或者公司发展不好，就很容易受伤，详见：生信工程师可以有意识的培养自己的老板思维

而且在成熟的商业团队里面做生物信息学数据分析，久而久之就会有收入分配不均的幻觉，比如公司接了一个单细胞转录组项目全套分析如果是3万的费用，全部的数据处理和图表制作都是一个工程师，那么这个工程师拿到了多少算是合适呢？一半吗？其实我这里推荐大家都经营好自媒体并且尝试线上接单，详见：生信工程师都值得体验的小成本创业模式

如果你只会做生信工程师工作

从事单一工程技术工作，虽然可以让人在特定领域积累深厚的专业知识和技能，但长期只专注于一个领域也可能带来一些弊端。以下是一些可能的方面：

职业发展方面的弊端：

1. 技能单一化：长期从事单一工作可能导致技能过于专门化，难以适应快速变化的技术环境和市场需求。
2. 职业晋升瓶颈：在某些情况下，缺乏多样化的工作经验可能会限制职业晋升，特别是在需要更广泛管理技能的高级职位。
3. 竞争力下降：随着技术的发展，单一技能可能变得过时，如果不持续学习新技能，个人的竞争力可能会下降。
4. 职业转换困难：如果市场对特定技术的需求减少，或者个人希望转换职业路径，单一技能背景可能会增加转换的难度。
   生物信息学在科研服务领域的广博大家都是有所耳闻，有些人在基因检测公司就只干snp-calling这件事以及解读那些变异位点，三五年的工作经验其实就是一年的经验重复了四五次而已。

   职业视角方面的弊端：

5. 视野狭窄：专注于单一工程技术可能会限制个人对行业趋势、新兴技术和跨领域应用的认识。
6. 创新能力受限：创新往往需要跨学科的知识和经验。如果只关注一个领域，可能会限制个人的创新思维和能力。
7. 团队合作挑战：在多学科团队中工作时，如果缺乏对其他领域的基本理解，可能会影响团队协作和沟通效率。
8. 项目管理局限：项目管理通常需要对不同技术领域都有所了解，以便更好地规划、协调和执行项目。
   

   应对策略：

9. 持续学习：定期更新和扩展自己的技能集，学习新技术和行业趋势。
10. 跨领域合作：参与跨学科项目，与不同领域的专家合作，以拓宽视野和增加经验。
11. 职业规划：制定长期职业发展规划，考虑在不同阶段获取多样化的工作经验。
12. 网络建设：建立和维护自己的一个专业技能展示网页，这有助于获取新知识和职业机会。
13. 适应性和灵活性：培养适应性和灵活性，以便能够快速适应行业变化和新环境。
14. 管理技能：即使专注于技术工作，也应该发展管理技能，如团队领导、项目管理和决策能力。
15. 个人品牌：建立和维护个人品牌，展示自己的专业知识和技能，提高在行业内的知名度。
16. 平衡深度与广度：在深入特定领域的同时，也要注意拓展知识面，实现深度与广度的平衡。
    总之，虽然长期从事单一工程技术工作可以带来专业上的精深，但也要意识到可能带来的风险，并采取相应的措施来缓解这些弊端，以实现职业的持续成长和发展。
    大家可以对照上面的8个应对策略，看看自己做到了哪方面。另外就是一个过来人建议了，每个生信工程师都应该去刻意体验完整的商业闭环：

    急需刻意体验完整的商业闭环

    生信工程师需要体验完整的“商业闭环”，主要是因为这有助于他们更全面地理解商业运作、提高解决问题的能力、增强跨领域协作能力，从而提升个人竞争力和市场价值。以下是一些原因和建议：

17. 全面理解业务：通过参与商业闭环的全过程，生信工程师可以更深入地了解公司的业务模式、客户需求、市场趋势等，这有助于他们在工作中做出更有针对性的决策。
18. 提高解决问题的能力：在商业闭环的每个环节都可能遇到不同的问题，生信工程师需要学会如何快速定位问题、分析问题并提出解决方案，这种能力对于个人职业发展非常有利。
19. 增强跨领域协作能力：商业闭环涉及多个领域，如市场推广、客户服务、合同谈判等。生信工程师通过参与这些环节，可以提高自己的跨领域协作能力，更好地与不同部门的同事合作。
20. 培养创新思维：在商业闭环的过程中，生信工程师需要不断尝试新的方法和策略，以适应市场变化和客户需求。这种创新思维对于推动项目进展和公司发展具有重要意义。
21. 提高领导力：参与商业闭环的全过程，可以让生信工程师更好地理解团队管理和领导力的重要性。通过实践，他们可以学会如何带领团队、激发团队成员的潜力，并实现团队目标。
22. 增强风险管理能力：在商业闭环中，生信工程师需要学会如何评估和管理风险，以确保项目的顺利进行。这种风险管理能力对于个人职业发展和公司稳定运营都至关重要。
23. 提升沟通能力：与客户对接、谈判合同等环节都需要良好的沟通能力。生信工程师通过参与这些环节，可以提高自己的沟通技巧，更好地与客户和同事沟通。
24. 增强商业敏感度：亲自走完商业闭环，可以让生信工程师更加敏感地捕捉到市场变化和商业机会，从而为公司创造更大的价值。
25. 培养创业精神：自媒体创业等经历可以让生信工程师体验到从零开始建立业务的过程，这种创业精神对于个人职业发展和公司创新具有积极意义。
    总之，体验完整的商业闭环对于生信工程师来说是一种宝贵的学习和成长机会。通过参与商业闭环的全过程，他们可以更全面地了解商业运作，提高自己的综合能力，并为未来的职业发展打下坚实的基础。

    如何落地

    具体怎么做呢，其实大道理讲了那么多，对大家来说容易落地才是王道，在中国大陆市场，自媒体非常发达。作为生信工程师的你只需要去淘宝，微店，咸鱼还有小红书发一下自己的技能列表以及自己想接的生物信息学数据分析单子，就会有人上门委托你啦。非常方便！很久之前我们还在培养生物信息学技能实习生的时候就是给大家主要的小单子练手，比如我们的《明码标价》服务，列表见：

• 最低仅需800，就有一个生信工程师为你服务！
• 明码标价之甲基化差异分析
• 开局一个转录组，收获一篇science
• 明码标价之10X转录组原始测序数据的cellranger流程
• 明码标价之公共数据库探索

当然了，那么多人在就业市场上面展现自己，你如何脱颖而出呢，其实你可以做一个自己的微信公众号解读一下在你生信能力范围内的科研文献以及你自己的技能体系内的软件或者数据分析技巧，更有甚者可以制作自己的网页博客等等。

其实对应的是我一直提倡的生信游民理念，咱们做数据处理的小伙伴理论上是可以在全球任意地方远程办公，只要你的技术够硬责任心足够好，在接单市场上应该是所向披靡啦。前提是你如何展现自己，我们的生信游民系列练习题就是一个很好的渠道，你只需要任意完成其中几个就能对外show出你的数据处理能力了，群里就有数不胜数的兼职项目等你来拿 ：

• 凭感觉这个数据挖掘文章里面的差异基因上下调应该是弄反了
• 处理前后单细胞转录组数据的整合与否确实影响了分析结论
• 凭什么说TCGA和GEO数据挖掘的结论不可靠呢
• 转录组差异分析不足以说明你的目标基因调控某个通路
• 五年高考三年模拟的R包
• 史上最大子宫内膜异位症单细胞图谱
• 只有测序数据不知道如何高级分析可以试试看这个期刊

曾经年少轻狂的你，可能有一个创业梦，作为生信工程师的我们也不例外。
但是大家如果不是在2010以及2017这两个关键的年份创业就做科研服务，就很难再开始了。更何况，作为普通生信工程师的你肯定是没有大资金，没办法组建团队，分工合作，这个时候你可以试试看这个小成本创业模式：经营好自媒体并且尝试线上接单：
首先呢，自媒体作为一种创业模式，对于生信工程师来说，具有以下几个值得体验的优势：

1. 低成本启动：如你所述，自媒体创业不需要大量的启动资金。与传统的开店或生产型企业相比，自媒体几乎不需要任何物理基础设施，从而大大降低了初始投资。
2. 灵活性高：自媒体允许生信工程师在保持日常工作的同时，利用业余时间进行内容创作和运营，这为那些希望尝试创业但又不愿意立即放弃稳定收入的人提供了灵活性。
3. 个人品牌建设：通过自媒体平台，生信工程师可以展示自己的专业知识和技能，建立个人品牌。这对于职业发展和未来的工作机会都是非常有益的。
4. 广泛的受众：自媒体平台通常具有广泛的用户基础，这意味着生信工程师的内容可以触及大量潜在读者，有助于扩大影响力。
5. 内容创作自由：自媒体允许创作者根据自己的兴趣和专业知识选择内容方向，这为生信工程师提供了表达自己和分享知识的空间。
6. 即时反馈：自媒体平台的互动性使得生信工程师可以即时收到读者的反馈，这对于改进内容和了解受众需求非常有帮助。
7. 多元化的收入来源：一旦自媒体平台积累了一定的关注度，生信工程师可以通过广告、赞助、付费内容或咨询服务等多种方式获得收入。
8. 技能提升：自媒体创业需要内容创作、社交媒体运营、市场营销等多方面的技能，这些技能对于生信工程师的个人发展和职业转换都是有益的。
9. 风险较低：由于成本低，即使自媒体创业尝试不成功，生信工程师也能轻松地退出，不会面临严重的财务风险。
10. 趋势适应性：在数字化和互联网高度发达的今天，自媒体是适应趋势的一种创业方式，生信工程师可以通过这种方式保持与时代同步。
    总之，自媒体作为一种小成本创业模式，为生信工程师提供了一个低风险、高灵活性的创业机会，同时也是一种个人能力提升和品牌建设的有效途径。

在哪里开自媒体呢？

在中国大陆市场，自媒体非常发达。作为生信工程师的你只需要去淘宝，微店，咸鱼还有小红书发一下自己的技能列表以及自己想接的生物信息学数据分析单子，就会有人上门委托你啦。非常方便！很久之前我们还在培养生物信息学技能实习生的时候就是给大家主要的小单子练手，比如我们的《明码标价》服务，列表见：

• 最低仅需800，就有一个生信工程师为你服务！
• 明码标价之甲基化差异分析
• 开局一个转录组，收获一篇science
• 明码标价之10X转录组原始测序数据的cellranger流程
• 明码标价之公共数据库探索

当然了，那么多人在就业市场上面展现自己，你如何脱颖而出呢，其实你可以做一个自己的微信公众号解读一下在你生信能力范围内的科研文献以及你自己的技能体系内的软件或者数据分析技巧，更有甚者可以制作自己的网页博客等等。

其实对应的是我一直提倡的生信游民理念，咱们做数据处理的小伙伴理论上是可以在全球任意地方远程办公，只要你的技术够硬责任心足够好，在接单市场上应该是所向披靡啦。前提是你如何展现自己，我们的生信游民系列练习题就是一个很好的渠道，你只需要任意完成其中几个就能对外show出你的数据处理能力了，群里就有数不胜数的兼职项目等你来拿 ：

• 凭感觉这个数据挖掘文章里面的差异基因上下调应该是弄反了
• 处理前后单细胞转录组数据的整合与否确实影响了分析结论
• 凭什么说TCGA和GEO数据挖掘的结论不可靠呢
• 转录组差异分析不足以说明你的目标基因调控某个通路
• 五年高考三年模拟的R包
• 史上最大子宫内膜异位症单细胞图谱
• 只有测序数据不知道如何高级分析可以试试看这个期刊

科研生涯也可以创业啊

有一些小伙伴可能想的是自己肯定是这辈子奉献给科研事业了，所以不可能去做商业就无所谓创业啦。我们推荐的值得体验的小成本创业模式对这样的小伙伴来说就是无用功，其实并不是这样想的。比如浙江大学的小伙伴就是通过开设自己的公众号做知识点整理完成了自己的博士课题，而且同样是因为公众号渠道结识了很多志同道合的科研搭子！

我会在我们《生信技能树》公众号的次页，转发这个《朴素的科研打工仔》的博士科研成果的解读借花献佛给大家哈：

本来是计划去年八月份博士毕业后可以大展拳脚开始全心全意培养生物信息学人才，没想到去年十月份才开始发布实习生招募信息就遇到了了当头棒喝。详见生信技能树知识整理实习生又又又开放申请啦（现在不招了，谢谢），在 很抱歉我这里没有朝九晚五 可以看到留言也是相当的精彩啦。
在广大粉丝们的劝诫下我及时止损，也感谢那些在留言区支持我的小伙伴们，详见：得了吧，不缺你这点关注。其实大家说的对，我那些多组学技术确实是有点太陈旧了，太依赖于基于R语言的统计可视化，以及基于Linux的NGS数据处理：

• 《生信分析人员如何系统入门R(2019更新版)》
• 《生信分析人员如何系统入门Linux(2019更新版)》
  而且多组学时代早就过去了，我那些整理好的视频和代码都是五年前的，最近五年明明是单细胞的天下，根本就没有人想学那些老古董。就算是让实习生或者学徒学了这些多组学，在科研市场或者就业市场未必就能走得好或者走得远：
• 学徒第1月，基础知识介绍掌握：
  文档链接： https://mubu.com/doc/38tEycfrQg
• 学徒第2月，RNA-seq数据分析实战训练
  文档链接：https://mubu.com/doc/38y7pmgzLg
• 学徒第 3 月，WES 数据分析实战训练：
  文档链接：https://mubu.com/doc/1iDucLlG5g
• 学徒第4月，ChIP-seq数据分析实战训练：
  文档链接：https://mubu.com/doc/11taEb9ZYg

  培养实习生劳心劳力

  早在2017我就开始了线下带实习生的计划，那个时候因为租房比较便宜，两千块钱可以租三室一厅。一个人住确实是有点浪费，就把客厅改造成为了一个学习场地，而且那个时候接触了大量的TCGA相关数据挖掘文献有很多自己的思路，就在QQ群里招募里大四学生，做毕业设计的 同时学一学 CGA数据库相关的综合全面的癌症病人相关组学数据库，包括的多组学数据有：

• DNA Sequencing (WGS/WES)
• mRNA/miRNA Sequencing
• Protein Expression Array
• Array-based Expression
• DNA Methylation Array
• Copy Number Array
  十几年前我读大学那会是没有补贴的，然后我也没有读过研究生所以不太清楚研究生补贴是多少钱，但是在群里听到的最多的就是每个月几百块钱。所以我就设置了1000元一个月的实习补贴，住宿也有现成的，还能学到技术，何乐不为呢。所以前面的五年多都稳步推进，哪怕是疫情期间都是每个月有两三个实习生参加了我们的多组学培养，在我的微信好友列表里面就有一百多个实习生，虽然说离开后就基本上没有联系了。
  但是每个人在线下的短短的一个月我还是花了很多精力的，每个人来之前得沟通行程吧，到了面对面得沟通基础能力如何以及一个月的学习规划吧，得按照路线图一步步督促吧，完成练习题得批改作业和讲解吧，个中滋味就不赘述了。

  神仙日子来了

  经过了网友的毒打，我果断放弃了实习生培养，修改成为了给清北复交的大二大三学生的福利，以及随缘的免费互动教学：

• 月薪两万找生信练习生（线下）
• 永久免费的生信进阶培训（线下）
  清北复交的大二大三学生来找我的基本上没有，随缘的免费互动教学因为也需要到线下所以基本上没有人来，我就难得过上了一段清闲日子：
• 去了新马泰重温了十几年前的海外流浪日子，还顺便考了个潜水证。（人生中的第二个全球通用的证件，第一个是博士毕业证吧）
• 通过人工智能驾驶从上海自驾游到了广东（途径扬州，安徽黄山，江西上饶，福建武夷山等景点）
• 每天上午两个小时下午两个小时上班，其他时间想看什么文献就看什么文献，再也没有deadline等着我了
• 每天水群，在各个技术交流群里面push广大网友学习chatGPT为代表的人工智能
• 一个月飞两次去参加各种学术会议，在成为学术猪八戒的道路上一去不复返

大清早的（2024-02-15 07:20）看到了《北京未来基因诊断高精尖创新中心》公众号宣传了他们单位的最新nature文章，详见：Nature | 白凡课题组与王红阳院士团队联合揭示中国人群肝癌全基因组变异及演化特征。本来呢，这样的资源型文章一般来说我们就看一下即可，因为人类遗传资源保护越来越严格了，基本上不可能看到病人的测序数据的公开，所以很难二次利用！
但是，朋友圈转发这个文章的越来越多，以至于我不得不还是在春节期间打开电脑瞟了一下这篇文献，文章标题短小精悍：《Deep whole-genome analysis of 494 hepatocellular carcinomas》，甚至于在标题里面并不需要突出中国人群这样的 关键词了，文章讲清楚了两件大事：

• Here we initiated the Chinese Liver Cancer Atlas (CLCA) project
• and performed deep whole-genome sequencing (average depth, 120×) of 494 HCC tumours.
  但是文章不仅仅是接近500个肝癌患者的全基因组，其实还有部分转录组测序：We also performed RNA sequencing (RNA-seq) analysis of 239 tumours from this cohort，同样的转录组也是很难拿到测序数据，但是作者给出来了 Supplementary Table 2，TPM matrix of RNA-seq cases.
  既然说是资源型文章，所以文章的侧重点就是这些ngs组学数据分析啦，让我们肃然起敬的是其数据整理格式，以及文章配套网页工具和全部的代码。
  虽然说， 因为人类遗传资源保护越来越严格了，我们无法获取测序数据，但是实际上，绝大部分人要来了这个测序数据也没什么意义，每个病人仅仅是肿瘤样品就200多个G的左右两个测序数据文件，如下所示：
  
  也就是说这500多个病人就是100T的原始测序数据，每个病人还得要配对的正常组织的测序，因为肿瘤样品需要高深度测序，为了节省测序费用，配对的正常组织可以十分之一的测序量即可。总体上来说，110T的人类的WGS的原始测序数据，绝大部分课题组都可以放弃啦！哪怕是我们做肿瘤测序数据分析教学，通常也是《肿瘤外显子》这个技术，在《生信菜鸟团》有一个专栏，该专栏的目录（节选）如下：
• （一）读文献并且下载测序数据
• （二）质控与去接头
• （三）比对
• （四）比对结果的质控
• （番外篇）bam文件载入igv可视化
• （五）GATK的最佳实践
• （六）vcf文件的注释及ANNOVAR的使用
• （七）maftools可视化
• （八）不同注释软件的比较（上）：安装及使用
• （八）不同注释软件的比较（中）：注释后转成maf文件
• （八）不同注释软件的比较（下）：可视化比较maf文件
  如果大家啊确实是有这个数据量，我相信，绝大部分科研服务公司肯定是会“跪舔”大家的，所以这个时候讨论上游数据分析意义不大了！

  超齐全的生物信息学配套材料

  虽然说，我们绝大部分人都可以直接放弃上面的测序原始数据，毕竟是110T的文件，但是，这个nature文章的优点就是超齐全的生物信息学配套材料，总体上来说是：

• 在GitHub (https://github.com/ChongJenniferZhang/CLCA_WGS). 可以看到
• 在Zenodo (https://doi.org/10.5281/zenodo.7260221). 可以看到全部的 Singularity containers
• 在网页工具 (http://lifeome.net/database/liver) 可以看到
  其中github代码大家可以自行下载阅读，里面的代码我看了看，还不错，都是常规的shell脚本，所以很容易学习 ：
  
  但是Zenodo的Singularity容器技术也超出了普通入门级别生信工程师的能力，先略过。
  我们直接看最精彩的网页工具，里面每个条目里面的都是一些成熟的资源：
  
  我简单的下载看了看：

  ls -lh |cut -d" " -f6-
  29K 2 15 09:09 Cases_20240215.xlsx
  13M 2 15 09:16 Copy_Number_Alteration_20240215.xlsx
  36K 2 15 09:17 EcDNA_Detail_20240215.xlsx
  27K 2 15 09:14 Kataegis_20240215.xlsx
  6.5K 2 15 09:14 Mutational_Signatures_20240215.xlsx
  20M 2 15 09:13 Mutations_20240215.xlsx
  2.2M 2 15 09:16 Structure_Variation_20240215.xlsx
  

  网页里面提供的文件，足够大家做各式各样的下游分析了，基本上就跟 tcga数据挖掘类似的，比如下面的需求：

• 1、探索各类肿瘤不同临床特征（性别、年龄、种族、临床分期）的预后（生存曲线）
• 2、探索各类肿瘤与对照的单个分子（mRNA，lncRNA，miRNA，甲基化，蛋白）水平的差异情况（箱线图）
• 3、探索各类肿瘤与对照的全局（mRNA，lncRNA，miRNA，甲基化，蛋白）水平的差异情况（差异分析流程）
• 4、探索各类肿瘤中两个分子（mRNA，lncRNA，miRNA，甲基化，蛋白）水平相关性（散点图）
• 5、探索各类肿瘤中多个分子（mRNA，lncRNA，miRNA，甲基化，蛋白）水平总结（热图）
• 6、探索各类肿瘤中单个分子（mRNA，lncRNA，miRNA，甲基化，蛋白）与所有其它分子相关性并且排序
• 7、探索各类肿瘤中单个基因突变或者单个分子（mRNA，lncRNA，miRNA，甲基化，蛋白）水平的预后（生存曲线）
• 8、探索各类肿瘤不同临床特征（性别、年龄、种族、临床分期）分组后的单个分子（mRNA，lncRNA，miRNA，甲基化，蛋白）特性的分布
  来一个简单的学徒专业吧，读取那个Cases_20240215.xlsx文件，然后看看 Province ，Gender ，Age， Hepatitis Cirrhosis/Fibrosis BCLC ，Edmondson ，Smoking， Alcohol ，Multiple lesions ，这些临床性状是否有统计学显著的生存意义哦，绘制好生存分析曲线哈。

  目前没有结合单细胞或者gwas

  其实通读全文，这个nature文章在肿瘤全基因组数据分析层面已经是非常完善了，在附件都有详细的方法学描述：
  
  比如基因组重排就涉及到：

• copy number alterations (CNAs),
• structural variations (SVs),
• HBV integrations,
• ecDNAs,
• three forms of clustered alterations, kataegis, chromothripsis, and chromoplexy
  每个分析点都是大量的 图表，而作为一个nature文章也不可能说什么都来一壶，其实可以衍生的分析还有很多很多，比如结合单细胞或者gwas，就有很多结果，留给大家发挥啦！

  肝癌其它多组学

  在咱们中国大陆，其实并不缺肝癌相关的病人和样品，所以早期已经是有了大量的其它组学队列研究，比如2019-CELL-复旦大学-多组学-蛋白质，文章是：《Integrated Proteogenomic Characterization of HBV- Related Hepatocellular Carcinoma》
  如果大家有肝癌方面的疾病背景知识，其实可以系统性梳理一下相关的资源，做数据库网页工具合辑，做更高维度的挖掘。起码这个nature文章就很少涉及到他们的肿瘤基因组数据和转录组数据的联合分析。

  其它肿瘤相关多组学资源（中国人群的）

  如果能想清楚上面的nature文章的数据的挖掘思路，其实就可以很容易迁移到其它癌症啦，类似的公开的资源真的是数不胜数。而且很多队列研究是早期的，那个时候人类遗传资源保护并不是很严格，都是有测序原始数据公开的哦：
  中国人群的三阴性乳腺癌多组学队列

• Fudan University Shanghai Cancer Center Triple Negative Breast Cancer (FUSCCTNBC)
• https://www.ncbi.nlm.nih.gov/sra/?term=SRP157974
• https://www.ebi.ac.uk/ena/browser/view/PRJNA486023
  中国人群的肾癌多组学队列
• https://www.ebi.ac.uk/ena/browser/view/PRJNA596338 转录组
• https://www.ebi.ac.uk/ena/browser/view/PRJNA596359 肿瘤外显子
  中国人群的肺癌队列：
• 源于文章：《Comprehensive genomic and immunological characterization of Chinese non-small cell lung cancer patients 》
  当然了，也不一定要仅限于中国人群啦，也可以看其它国家地区， 比如德国 Prostate Cancer Systems Biology，2020年12月的文章，是：《Convergent network effects along the axis of gene expression during prostate cancer progression》，
• https://www.ebi.ac.uk/ena/browser/view/PRJNA579899 转录组
• https://www.ebi.ac.uk/ena/browser/view/PRJNA577801 肿瘤外显子

看到了香港多个媒体报道了这一笔拨款，就是今天（ 2024年2月16日 星期五）的资讯，因为是繁体字，香港政府拨款60亿，这个资助将会聚焦包括細胞和基因治療、生物訊息學和生物學、生物醫學工程等前沿主題。

我查了查繁体字里面的生物訊息學，就是我们通常所认知的生物信息学：

香港的生物信息学力量如何

香港大学还有这个理學士（生物訊息學）的本科招生，學制是4年，该专业的簡稱BSc(Bioinformatics)，每年收生名額只有15个，属于李嘉誠醫學院，详见：https://admissions.hku.hk/zh-hant/programmes/undergraduate-programmes/bachelor-of-science-bioinformatics

另外，就是香港中文大学（深圳）医学院生物信息学本科专业获评2023中国五星级专业，授课内容主要是：

普通生物学
普通化学
计算机科学导论：程序设计方法
计算机实验
微积分（一）
微积分（二）
线性代数
力学
概率及统计（一）

必修课程
计算生物学
生物信息学
计算基因组学和蛋白质组学
计算生物学中的机器学习
生物信息算法设计及分析
细胞与分子生物学
生物化学
综合生物学实验
遗传学
生物物理化学

值得注意的是，还有香港中文大学（深圳）授课型硕士研究生专业介绍—生物信息学硕士，就是学费有点贵！

香港的生物信息学就业机会如何

那么，问题来了，在香港学了生物信息学后，是否有就业机会呢？

那就不得不提香港科技园公司（香港科技园、HKSTP）啦，它是中华人民共和国香港特别行政区政府设立的法定机构，于2001年5月7日正式开始运作，取代了之前的香港工业邨公司、香港工业科技中心公司及临时香港科学园有限公司。负责规划及管理科学园、创新中心和工业邨，致力营造富有活力的创新及科技生态圈，培育科技人才和促进交流协作，带动创新发展，为香港以至整个区域创造社会和经济效益。

目前，香港科技园园区内有超过 1100间初创及科技企业，来自超过22个国家和地区，企业数目增长超过40%。香港科技园公司成立20年，建立了全香港最大科研社群，超过17000人在园区工作，其中研发人员超过11000人。香港科技园公司也培育出多家香港本地独角兽企业，如已经上市的商汤科技和独角兽企业货拉拉、思谋科技。此外，还有Geek+ 和 Nium 等国外独角兽也在2021年加入，来自内地的独角兽企业云豹智能，也在2022年八月正式进驻科学园发展蓬勃的创科生态圈。

如果要香港的企业需要生物信息学人才

近五年来，我们一直在做生物信息学人才对接，主要是给各个课题组或者公司发招聘信息。没有任何一个药企找到我们来做招聘，哪怕是联系我内推的都没有，也很少听说过咱们生物信息学工程师去药企工作的。这一点还蛮有意思的，都说测序技术以及它衍生出的生物信息学数据处理变革了生命科学领域的传统实验研究，但是药企这么大一块蛋糕，生信居然无法切入。是理想与现实的天然差距吗？

而且也没有香港的企业找到我们，可能是因为我们的不够开放？之前都是让大家发邮件给我招聘信息，我来安排秘书去编辑后发布，中间有三个环节了。如果是有香港的企业，欢迎直接添加我微信咱们约等于沟通招聘需求，点对点推荐生物信息学人才给贵公司哈！

普通生命科学领域小伙伴如何转生物信息学方向呢

众所周知，生命科学领域底层实验技能如此烂大街，而且几乎是没有门槛，大家看看自己学校单位的那些五六十岁的技术人员就明白了。

其实生命科学领域确实是有一些技术是有门槛的，比如生物信息学数据分析，再怎么强调生物信息学数据分析学习过程的计算机基础知识的打磨都不为过，我把它粗略的分成基于R语言的统计可视化，以及基于Linux的NGS数据处理：

• 《生信分析人员如何系统入门R(2019更新版)》
• 《生信分析人员如何系统入门Linux(2019更新版)》

把R的知识点路线图搞定，如下：

• 了解常量和变量概念
• 加减乘除等运算（计算器）
• 多种数据类型（数值，字符，逻辑，因子）
• 多种数据结构（向量，矩阵，数组，数据框，列表）
• 文件读取和写出
• 简单统计可视化
• 无限量函数学习

Linux的6个阶段也跨越过去 ，一般来说，每个阶段都需要至少一天以上的学习：

• 第1阶段：把linux系统玩得跟Windows或者MacOS那样的桌面操作系统一样顺畅，主要目的就是去可视化，熟悉黑白命令行界面，可以仅仅以键盘交互模式完成常规文件夹及文件管理工作。
• 第2阶段：做到文本文件的表格化处理，类似于以键盘交互模式完成Excel表格的排序、计数、筛选、去冗余、查找、切割、替换、合并、补齐，熟练掌握awk、sed、grep这文本处理的三驾马车。
• 第3阶段：元字符，通配符及shell中的各种扩展，从此linux操作不再神秘！
• 第4阶段：高级目录管理：软硬链接，绝对路径和相对路径，环境变量。
• 第5阶段：任务提交及批处理，脚本编写解放你的双手。
• 第6阶段：软件安装及conda管理，让linux系统实用性放飞自我。

能走到这个底层编程思维的熟练掌握的就已经是不足百分之一了，更何况这些编程基础仅仅是万里长征第一步，后面还有海量的ngs多组学实战。我们拿其应用最广泛的两个案例：

• 表达量芯片，转录组测序，单细胞转录组
• geo和tcga等公共数据库的活学活用

我们也是经常针对这两个应用最广泛的数据分析案例给出来练习题，理论上完成了下面的任务就代表你是一个合格的生信游民啦！

• chatGPT只能给你提示没办法代替你解决单细胞报错
• 单细胞水平什么程度的表达才算是阳性呢
• 新冠病毒感染引起的急性呼吸窘迫综合征患者外周血有问题吗
• 如果只想知道细胞亚群比例变化无需单细胞转录组测序
• 基因是否具有单细胞亚群特异性居然是靠肉眼看
• 单细胞亚群细分这样弄可能不妥

有这样的能力你还不能找到工作算我输，你找我来要说法！